Semantische Suche im Telegram-Bot für Communities

Telegram-Bot mit semantischer Suche für effiziente Business-Communities

In einer Community mit 120 Unternehmern dauerte die manuelle Suche nach Experten stundenlang, Event-Anmeldungen erforderten endlose DMs hin und her, und Aktivitätsrankings wurden in Tabellen erfasst. Dieser KI-gestützte Telegram-Bot beseitigt diese Engpässe: Vektorsuche durch Mitgliedsprofile findet Spezialisten anhand der Suchintention in Sekunden, Rankings aktualisieren sich automatisch, und Event-Registrierung klappt mit einem Klick. Das System nutzt FAISS für Vektorspeicherung und GPT für Textstrukturierung und liefert präzise Ergebnisse – ganz ohne Keywords.

Wachstumsschmerzen: Drei zentrale Engpässe

Mit dem Wachstum der Community tauchten diese systemischen Probleme auf:

• Experten-Suche: Unmöglich, sich 100+ Spezialisierungen zu merken. Chat-Anfragen wie „Jemand im Logistikbereich?“ gingen unter, und die richtige Person sah sie nie.
• Event-Management: 5–7 Stunden wöchentlich für Listen, Erinnerungen und Anpassungen. Das skaliert einfach nicht.
• Aktivitäts-Tracking: Manuelle Tabellen erfassen nur offensichtliche „Dankes“-Nachrichten und verpassen echte Beiträge.

Diese Hürden sind typisch für chatbasierte Communities. Die Lösung? Vom Keyword-Suchen zu vektorbasierten Profil-Darstellungen wechseln.

KI-Sucharchitektur: Vom Text zum Vektor

Profil-Erfassung und Strukturierung

Jedes Mitglied gibt freien Text ein: Erfahrung, Fähigkeiten, Fallstudien. Ein GPT-Modell (von OpenAI) zerlegt das in drei gewichtete Schichten:

• Kernzusammenfassung (10–15 Wörter, 55 % Gewicht): Wesentliche Merkmale.
• Detaillierte Fähigkeiten (30 % Gewicht): Vollständiges Skill-Set.
• Kontext (15 % Gewicht): Hobbys, Interessen.

Das berücksichtigt unterschiedliche Schreibstile. Beispiel: „Visum-Hilfe“ passt zu Profilen mit „Geschäftsrelocation“.

Vektorisierung und Speicherung

Jede Schicht wird zu einem Vektor (~3000 Dimensionen) via Embedding-Modell. Vektoren landen in FAISS, einer Bibliothek für ultraschnelle approximative Nearest-Neighbor-Suche.

Ablauf:

• Benutzeranfrage (z. B. „Essenz: Visa nach Italien“) wird vektorisiert.
• FAISS holt 10–15 nächste Profile.
• Ein „Auditor“-Modell prüft Relevanz, sortiert nach Aktivitäts-Score.

Ergebnis: Top-3-Treffer mit hoher semantischer Ähnlichkeit – auch ohne exakte Übereinstimmungen.

Automatisierte Rankings mit Telethon und PostgreSQL

Der Bot überwacht den Chat via Telethon:

• „Danke“ = +1 Punkt.
• Mastermind-Organisation: +100.
• Event-Teilnahme: +30.

Daten sammeln sich in PostgreSQL. Rankings steigern:

• Suchpriorität.
• Zugang zu exklusiven Events.

So entsteht transparente Reputation: Aktive Mitglieder steigen auf.

# Beispiel-Überwachung Pseudocode (Python + Telethon)
from telethon import TelegramClient

async def monitor_thanks(client, chat_id):
    async for message in client.iter_messages(chat_id):
        if 'danke' in message.text.lower():
            add_karma(message.reply_to_msg_id, 1)

Event-Kalender: Von manuellen Listen zum Selbstbedienungsservice

Bot-integrierter Kalender: Ankündigungen → „Anmelden“-Button → automatisches Hinzufügen in PostgreSQL. Kein Nachrichtenwechsel nötig; Erinnerungen kommen vom Bot. Skaliert mühelos auf Hunderte Mitglieder.

Wichtigste Erkenntnisse

• FAISS + GPT semantische Suche erreicht 80–90 % Genauigkeit ohne Keywords.
• Mehrschichtige Vektorprofile (mit Gewichten) meistern unstrukturierte Texte.
• Telethon-gestützte Bewertungsautomatisierung spart 100 % manueller Arbeit.
• Kalender-Integration vereinfacht Events um den Faktor 10.
• Funktioniert für jede Telegram-Gruppe: IT-Teams, Business-Clubs, Sie nennen es.

— Editorial Team